蜘蛛侠妖娆起舞，下一代 ControlNet 来了！贾佳亚团队推出，即插即用，还能控制视频生成

只用不到 10% 的训练参数，就能实现 controlnet 一样的可控生成！

而且 SDXL、SD1.5 等 Stable Diffusion 家族的常见模型都能适配，还是即插即用。

同时还能搭配 SVD 控制视频生成，动作细节控制得精准到手指。

在这些图像和视频的背后，就是港中文贾佳亚团队推出的开源图像 / 视频生成引导工具——ControlNeXt。

从这个名字当中就能看出，研发团队给它的定位，就是下一代的 ControlNet。

像大神何恺明与谢赛宁的经典大作 ResNeXt（ResNet 的一种扩展），起名字也是用的这个路数。

有网友认为这个名字是实至名归，确实是下一代的产品，将 ControlNet 提高了一个档次。

还有人直言 ControlNeXt 是规则改变者，让可控生成的效率提升了一大截，期待看到人们用它创作的作品。

蜘蛛侠跳起|美女|舞蹈

ControlNeXt 支持多款 SD 系模型，而且即插即用。

其中包括了图像生成模型 SD1.5、SDXL、SD3（支持 Super Resolution），还有视频生成模型 SVD。

话不多说，直接看效果。

可以看到，在 SDXL 中加入边缘（Canny）引导，绘制出的二次元少女和控制线条几乎完美贴合。

即使控制轮廓又多又细碎，模型依然可以绘制出符合要求的图片。

而且无需额外训练就可与其他 LoRA 权重无缝集成。

比如在 SD1.5 中，可以把姿势（Pose）控制条件与各种 LoRA 搭配使用，形成风格迥异乃至跨越次元，但动作相同的角色。

另外，ControlNeXt 也支持遮罩（mask）和景深（depth）的控制模式。

在 SD3 当中还支持 Super Resolution（超级分辨率），可生成超高清晰度的图像。

视频生成当中，ControlNeXt 可以实现对人物动作的控制。

比如让蜘蛛侠也跳起 TikTok 中的|美女|舞蹈，就连手指的动作也模仿得相当精准。

甚至让一把椅子也长出手跳同样的舞蹈，虽然是抽象了一些，但单看动作复刻得还算不错。

而且相比于原始的 ControlNet，ControlNeXt 需要的训练参数更少，收敛速度也更快。

比如在 SD1.5 和 SDXL 中，ControlNet 需要的可学习参数分别是 3.61 亿和 12.51 亿，但 ControlNeXt 分别只需要 3 千万和 1.08 亿，不到 ControlNet 的 10%。

而在训练过程中，ControlNeXt 在 400 步左右就已接近收敛，但 ControlNet 却需要十倍甚至数十倍的步数。

生成的速度也比 ControlNet 更快，平均下来 ControlNet 相当于基础模型会带来 41.9% 的延时，但 ControlNeXt 只有 10.4%。

那么，ControlNeXt 是如何实现的，对 ControlNet 进行了哪些改进呢？

更轻量化的条件控制模块

首先用一张图来了解一下 ControlNeXt 的整个工作流程。

其中轻量化的关键，是 ControlNeXt 移除了 ControlNet 中的庞大控制分支，改为引入一个由少量 ResNet 块组成的轻量级卷积模块。

这个模块负责提取控制条件（如语义分割掩码、关键点先验等）的特征表示。

其中的训练参数量通常不到 ControlNet 中预训练模型的 10%，但仍能很好地学习将输入的条件控制信息，这种设计大大降低了计算开销和内存占用。

具体来说，它从预训练模型的不同网络层的中等距采样，形成用于训练的参数子集，其余参数则被冻结。

另外在设计 ControlNeXt 的架构时，研究团队还保持了模型结构与原始架构的一致性，从而实现了即插即用。

无论是 ControlNet 还是 ControlNeXt，条件控制信息的注入都是一个重要环节。

在这个过程中，ControlNeXt 研究团队主要针对两个关键问题进行了深入研究——注入位置的选择和注入方式的设计。

研究团队观察发现，在大多数可控生成任务中，指导生成的条件信息形式相对简单，且与去噪过程中的特征高度相关。

所以团队认为，没有必要在去噪网络的每一层都注入控制信息，于是选择了只在网络的中间层将条件特征与去噪特征聚合。

聚合的方式也尽可能简单——在用交叉归一化对齐两组特征的分布后，直接将其相加。

这样既能确保控制信号影响去噪过程，又避免了注意力机制等复杂操作引入额外的学习参数和不稳定性。

这之中的交叉归一化，也是 ControlNeXt 的另一项核心技术，替代了此前常用的 zero-convolution 等渐进式初始化策略。

传统方法通过从零开始逐步释放新模块的影响力来缓解崩塌问题，但往往导致的结果就是收敛速度慢。

交叉归一化则直接利用主干网络去噪特征的均值 μ 和方差 σ 对控制模块输出的特征做归一化，使二者的数据分布尽量对齐。

（注： 是为数值稳定性而添加的小常数，γ 为缩放参数。）

归一化后的控制特征再通过尺度和偏移参数调整幅度和基线，再与去噪特征相加，既避免了参数初始化的敏感性，又能在训练初期就让控制条件发挥作用，加快收敛进程。

此外，ControlNeXt 还借助控制模块学习条件信息到隐空间特征的映射，使其更加抽象和语义化 , 更有利于泛化到未见过的控制条件。

项目主页：

https://pbihao.github.io/projects/controlnext/index.html

论文地址：

https://arxiv.org/abs/2408.06070

GitHub：

https://github.com/dvlab-research/ControlNeXt